3.5 模板匹配

级联分类器的第四级为模板匹配。本阶段的判决是像素级的，这比上文提到的集成分类器更精细。对图像块P1、P2，我们计算它们间的归一化相关系数(NCC):

其中，分别表示P1、P2的标准差；表示P1、P2的均值。这种距离测量结果也叫做Pearson系数[40]。几何描述为，两个归一化向量间夹角的余弦值。我们使用如下公式来把两个块之间的距离归一化到0与1之间:

通过4.2描述的在线学习方法得到正负两种模板，正模板标记为，负模板标记为。图3.8中展示了对章节5.4中描述的Multi Face Turning视频流进行学习得到的正负样本。对未分类图像块P，分别计算它与正、负模板的距离：

(a)正样本                            (b)负样本

图3.8 在SPEVI数据库的一个序列上使用模板匹配算法得到的正负图像块

图3.9中，绿色点表示与正模板之间的距离，红色点表示其与负模板之间的距离，黑色点代表待分类的图像块。由图可知，根据3.18式计算结果，待分类图像块与正模板间的最小距离为；根据3.19式计算结果，待分类图像块与负模板间的最小距离为。我们用以下等式把这两个值融合成一个值：

公式3.20计算了图像块可能是检测目标的概率。如果子窗口图像块的概率值大于阈值（本文所有实验取值为0.65），那么就接收该子窗口为存在检测目标的窗口。从图3.10可知，如果待测图像块与正模板的距离为0，那么该图像块包含目标的概率值为1。这与待测图像块是一个确切的正样本块的情况是一致的。类似地，如果待测图像块与负模板的距离为0，那么该图像块包含目标的概率值为0。图3.10中举例的图像块包含目标的概率值为0.8。

图3.9 一个未标记图像块，及其用归一化相关系数计算得到的与正负模板之间的距离。计算距离的实际空间维数是15*15的。

图 3.10 一个图像块是目标的可能性决定于该图像块与正负模板间的距离和。